sktimeの時系列分類アルゴリズム
目次 1.距離ベース（Distance-based） 2.間隔ベース（Interval-based） 3.辞書ベース（Dictionary-based） 4.頻度ベース（Frequency-based） 5.シェイプレットベース（Shapelet-based） 6.ハイブリッド（Hybrid） 一般的な分類アルゴリズムはデータの時間順序に含まれる情報を無視します。時系列分類アルゴリズムは、時系列分類の問題に対して表形式の分類器よりもパフォーマンスが優れている傾向があります。 sktimeには、時系列分類のための多くのアルゴリズムがあります。この記事は時系列分類アルゴリズムの5つのカテゴリを紹介します。 1.距離ベース（Distance-based ） これらの分類アルゴリズムは、距離メトリックを使用して分類します。 K-Nearest Neighbors (Dynamic Time Warping) 代表的なk最近傍（KNN）アルゴリズムは、ユークリッド距離メトリック(Euclidean distance) をdynamic time warping（DTW）メトリックに置き換えることにより、時系列に適合させることができます。DTWは、時間、速度、または長さが正確に一致しない可能性がある2つのシーケンス間の類似性を測定します。 メリット KNN+DTWは、シンプルでよい結果であり、ハイパーパラメータ調整を必要がありません。ベンチマークのベースアルゴリズムとしてよく利用します。 デメリット KNN+DTWは、計算に多くのスペースと時間を必要とします。 シリーズが特定のクラスに割り当てられた理由に関する限られた情報を提供します。 ノイズの多いデータはパフォーマンスが低下する可能性があります。 DTW(Dynamic Time Warping)動的時間伸縮法の記事 LINK 2.間隔ベース（Interval-based ） 時系列フォレスト分類（Time Series Forest Classifier） 時系列フォレスト（TSF）分類は、ランダムフォレスト分類器をシリーズデータに適合させます。下記のような計算を行います。 ランダムな開始位置とランダムな長さで、シリーズをランダムな間隔に分割します。 各区間から特徴量（平均、標準偏差、および勾配）を抽出します。 抽出された特徴量で決定木を学習します。 必要な数のツリーが構築し、学習時間が終わるまで、手順1〜3を繰り返します。 新しいデータは、モデルのすべての木の過半数の投票に従って分類されます。 メリット 実験的研究により、時系列フォレストは、動的なタイムワーピングを伴う最近傍などのベースラインよりも優れていることが示されています …
